Datasættet består af 100.000 syntetiske personaer, der forestiller voksne bosat i Danmark. Personaerne er opdigtede og baseret på aggregerede fordelinger, ikke på rigtige personer.
Datasættet er lavet som udgangspunkt for at generere fiktive samtaler og dokumenter til træning og test af AI-løsninger i situationer, hvor rigtige data ikke kan anvendes, fordi de indeholder fortrolige oplysninger. Læs mere om anvendelsesmulighederne i her: https://syv.ai/viden/danish-personas
Personaerne varierer i alder, køn, bopæl, civilstand, uddannelse og arbejdsmarkedstilknytning. Udgangspunktet er udvalgte, aggregerede tal fra Danmarks Statistik, og udvalgte sammenhænge mellem egenskaber er bevaret, hvor statistikken giver grundlag for det. Fordelingerne af alder, civilstand og region ligger tæt på Danmarks Statistiks tal for voksne. Datasættet afspejler kun udvalgte områder af befolkningen.
Personaerne er desuden varieret efter OCEAN-modellen, der beskriver fem brede personlighedstræk: åbenhed over for nye oplevelser, samvittighedsfuldhed, udadvendthed, imødekommenhed og tilbøjelighed til bekymring. Hver persona har en kort, genereret beskrivelse af personens liv og fritid. Beskrivelserne og de øvrige tekstfelter er skrevet af sprogmodellen Mistral Small 4 med udgangspunkt i personaernes profiler.
Datasættet kan hentes på Huggingface. Koden, der er brugt til at generere det, er frit tilgængelig på GitHub. Datasættet er udgivet under Apache 2.0 og kan bruges frit, også kommercielt.